[發(fā)明專(zhuān)利]基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011253124.2
• 申請(qǐng)日: 2020-11-11
• 公開(kāi)（公告）號(hào): CN112365468A
• 公開(kāi)（公告）日: 2021-02-12
• 發(fā)明（設(shè)計(jì)）人: 張堃;鄭山建;吳櫻櫻;涂鑫濤;徐沛霞;劉志誠(chéng);馮文宇;黃宇煦;韓宇;朱遠(yuǎn)璠;張宇豪;祁暉;陸貝洋;沈椏楠
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南通大學(xué);蘇州錦添科技產(chǎn)業(yè)發(fā)展有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/143;G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 南通物格知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32395
• 代理人: 胡燕

1.基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法，其特征在于：包括如下步驟：

S1、接收系統(tǒng)傳達(dá)的海上風(fēng)電塔筒涂層缺陷檢測(cè)請(qǐng)求，獲取所述海上風(fēng)電塔筒涂層缺陷檢測(cè)請(qǐng)求對(duì)應(yīng)的風(fēng)電塔筒涂層無(wú)人機(jī)檢測(cè)的視頻信息；

S2、通過(guò)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型AA-gate-Unet提取所述風(fēng)電塔筒涂層無(wú)人機(jī)檢測(cè)的視頻信息中的塔筒涂層圖像關(guān)鍵幀；

S3、將所述塔筒涂層圖像關(guān)鍵幀的圖像上傳至系統(tǒng)云端；

S4、將上傳至系統(tǒng)云端的所述塔筒涂層圖像關(guān)鍵幀的圖像，采用基于HMM和基于Winters三參數(shù)指數(shù)平滑的預(yù)測(cè)算法進(jìn)行預(yù)測(cè)，獲得海上風(fēng)電塔筒涂層缺陷的檢測(cè)結(jié)果；

S5、將所述海上風(fēng)電塔筒涂層缺陷的檢測(cè)結(jié)果劃分為兩個(gè)狀態(tài)：正常狀態(tài)和異常狀態(tài)；根據(jù)無(wú)人機(jī)攝像頭識(shí)別所述海上風(fēng)電塔筒涂層檢測(cè)關(guān)鍵幀圖像的處理結(jié)果將不同的異常狀態(tài)具體劃分為：狀態(tài)1：定義為海上風(fēng)電塔筒涂層出現(xiàn)裂縫情況；狀態(tài)2：定義為海上風(fēng)電塔筒涂層出現(xiàn)剝落情況；狀態(tài)3：定義為海上風(fēng)電塔筒涂層出現(xiàn)腐蝕情況；

S6、當(dāng)所述海上風(fēng)電塔筒涂層缺陷的檢測(cè)結(jié)果為異常狀態(tài)時(shí)，將對(duì)應(yīng)的海上風(fēng)電塔筒缺陷涂層圖像上傳至系統(tǒng)，并進(jìn)行相應(yīng)的海上風(fēng)電塔筒涂層維護(hù)工作。

2.根據(jù)權(quán)利要求1所述的基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法，其特征在于：步驟S2中提取過(guò)程具體包括：

(1)提取模型：采用雙邊濾波器，其數(shù)學(xué)模型為：

空間距離函數(shù)：

灰度變化函數(shù)：

其中(x_i,y_i)代表當(dāng)前位置點(diǎn)坐標(biāo)，(x_c,y_c)代表濾波器中心位置，gray(x_i,y_i)表示當(dāng)前坐標(biāo)點(diǎn)的灰度值，gray(x_i,y_i)表示濾波器中心坐標(biāo)點(diǎn)的灰度值；

(2)自適應(yīng)閾值：根據(jù)圖像具體的特點(diǎn)變化T值，通過(guò)下式表示其具體過(guò)程：

其中，g(x,y)表示圖像中位置為(x,y)的像素值；

(3)采用霍夫直線檢測(cè)算法，檢測(cè)所建立的圖像數(shù)據(jù)集中圖像中風(fēng)機(jī)輪廓的雙邊，并以此提取感興趣區(qū)域。

3.根據(jù)權(quán)利要求1所述的基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法，其特征在于：步驟S2中所述的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型AA-gate-Unet呈U形結(jié)構(gòu)，在上采樣與下采樣之間建立特征圖的切割與傳送。

4.根據(jù)權(quán)利要求1所述的基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法，其特征在于：步驟S2中所述的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型AA-gate-Unet包括左側(cè)收縮路徑和右側(cè)擴(kuò)散路徑；左側(cè)收縮路徑包括若干卷積層與池化層疊加，收縮路徑重復(fù)使用若干個(gè)卷積核，卷積后采用ReLU作為激活函數(shù)保證能夠提取非線性特征。

5.根據(jù)權(quán)利要求1所述的基于AA-gate-Unet的海上風(fēng)電塔筒涂層缺陷檢測(cè)方法，其特征在于：步驟S2中所述的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型AA-gate-Unet中的AA模塊包括：

(1)通過(guò)對(duì)輸入大小為(w,h,c_in)的特征圖進(jìn)行1×1卷積輸出QKV矩陣，其大小為(w,h,2*d_k+d_v)，其中w、h、2*d_k+d_V分別表示了矩陣的寬、長(zhǎng)與深度；

(2)再?gòu)纳疃韧ǖ郎蠈?duì)QKV矩陣進(jìn)行分割，得到Query、Key、Value三個(gè)矩陣其深度通道大小分別為d_k、d_k、d_v；

(3)采用了多頭注意力機(jī)制的結(jié)構(gòu)，將Query、Key、Value三個(gè)矩陣分別從深度通道上分割為N個(gè)相等的矩陣進(jìn)行后續(xù)的計(jì)算，使得模型在不同的子空間內(nèi)學(xué)習(xí)特征信息；

(4)使用Flat_Q、Flat_K兩矩陣進(jìn)行矩陣乘法運(yùn)算，計(jì)算出權(quán)重矩陣，且在此基礎(chǔ)上添加了相對(duì)位置嵌入的計(jì)算，通過(guò)對(duì)Q矩陣進(jìn)行長(zhǎng)寬兩方向的權(quán)重計(jì)算得到特征圖上每個(gè)點(diǎn)的相對(duì)位置信息，防止特征位置的變換而降低模型的最終效果。